[发明专利]一种面向用户为中心网络的深度学习动态波束赋形方法

说明书

由于实际场景中用户数量动态变化，基站波束赋形计算复杂、耗时长，因此，本发明实例研究了一种面向用户为中心网络的深度学习动态波束赋形方法，具体如下：首先构建每个用户服务的基站簇，小站收集全局CSI信息并反馈至宏站；然后设计复数域加权最小均方误差算法——CWMMSE最大化和速率，通过CWMMSE获得大量“CSI矩阵‑波束赋形矩阵”对作为训练数据集；接着构建改进版全卷积波束赋网络模型——IFC‑BFNet，将数据集分批馈入IFC‑BFNet模型进行训练；最后将训练完成的IFC‑BFNet模型部署于宏站上，宏站通过模型计算给出所有小站的波束赋形结果，并传至小站，小站进行相应的波束赋形操作。

技术领域

本发明涉及无线通信技术领域，特别涉及深度学习技术以及以用户为中心密集网络场景用户数量动态变化下的基站快速波束赋形研究。

背景技术

在5G以及未来6G场景下，采用基站覆盖小、部署密集的超密网络(Ultra-DenseNetwork,UDN)将是提升系统容量的核心技术。UDN中基站覆盖的高重叠会带来严重的干扰问题，因此有必要设计灵活有效的无线电资源控制和干扰管理解决方案。

多基站联合波束形成可以有效地解决上述问题。为了解决UDN中累积干扰和频繁切换的问题，业界提出了用户中心网络(User-centric Network，UCN)。UCN改变了传统蜂窝网络以基站为中心的架构。在联合网络中，几个基站将组成一个集群，集群中的所有基站将联合起来为同一用户传输相同的数据。在波束形成思想中，通过对天线阵列传输的数据进行预编码，可以将多径信号在用户终端位置进行相干叠加，从而达到增强有用信号、减少用户间干扰的目的。

然而，传统的数值优化算法，包括波束形成算法，都是迭代算法。这些算法以实时问题的参数为输入，经过多次迭代后生成优化解作为输出。大量的理论分析和实际应用证明了这些算法的性能和精度。然而，这些方法都有一个共同的特点，即较高的计算成本。例如，用于处理无线干扰管理的传统波束形成算法，即加权最小均方误差(Weighted MinimumMean Squared Error，WMMSE)算法，需要多次迭代。在每一次迭代中都进行了复杂的计算，包括矩阵求逆、相乘等。然而，考虑到系统参数如信道状态信息和用户数量在短时间内高速变化，对于大多数应用(如无线收发器)，算法需要在短时间内完成。随着用户对高服务质量要求的提高，这些传统方法的计算复杂度已不能满足网络的实时性要求。

近年来，深度学习在现代通信领域得到了广泛的研究。深度学习可以利用一般的近似定理来学习如何在不使用封闭表达式的情况下近似函数和算法，如深度神经网络(deep neural network，DNN)。但是，现有的基于深度学习的功率控制方案只能预测相对固定的场景，无法应对复杂动态的网络环境，如用户离开、进入导致的站点间切换等。为了满足实际的应用场景，网络中需要考虑用户动态变化的处理设计。目前主要用于语义切分的全卷积网络(fully convolutional network，FCN)特点是可以动态改变输入数据矩阵的维数。因此，可以考虑使用全卷积网络架构提取用户动态变化场景中的信道矩阵特征，从而得到最优波束形成设计。

本发明提出了一种新的基于改进版全卷积网络架构的快速波束赋形方法，重点研究了该方法在无线动态多用户干扰管理中的理论和实际性能。本发明的核心是先设计复数域加权最小均方误差(Complex Weighted Minimum Mean Square Error，CWMMSE)算法，获取大量训练数据，然后设计改进版全卷积波束赋网络(Improved Fully ConvolutionalBeamforming Network，IFC-BFNet)模型，利用这些数据训练IFC-BFNet模型。IFC-BFNet模型训练完成可以学习到CWMMSE算法输入和输出之间的关系，将其部署于宏站进行快速波束赋形计算。附图1为本发明的动态UCN下多基站联合波束赋形场景图。

发明内容